MxNet系列——how_to——caffe

博客新址: http://blog.xuezhisd.top
邮箱：xuezhisd@126.com

---

如何在MXNet中使用Caffe操作符

Caffe 是一个有名的，广泛使用的深度学习框架。MXNet 支持在它的符号图中，直接调用大部分Caffe操作符(网络层)和损失函数。使用自定义的Caffe网络层也很容易。

MXNet 也嵌入了Torch模块和它的张量数学函数。

本节内容描述了如何：

• 安装支持Caffe的MXNet

• 将Caffe操作符嵌入到MXNet的符号图中

安装支持Caffe的MXNet

1. 下载官方Caffe仓库 BVLC/Caffe。
2. 用于MXNet接口的Caffe补丁。将该补丁放在你的Caffe根目录下，并通过 git apply patch_file_name 来使用该补丁。
3. 使用官方指南安装Caffe。 详细安装教程。

编译支持Caffe的MXNet

1. 如果你还没有编译MXNet，将 make/config.mk (for Linux) or make/osx.mk (for Mac) 复制到MXNet根目录下，并命名为 config.mk。
2. 在MXNet目录下，编辑文件 config.mk。注释2行： CAFFE_PATH = $(HOME)/caffe 和 MXNET_PLUGINS += plugin/caffe/caffe.mk。将 CAFFE_PATH 设置成Caffe的安装路径【注意：自己的Caffe安装路径】。
3. 执行命令 make clean && make，构建支持Caffe的MXNet。

使用Caffe操作符（网络层）

MXNet分别通过 mxnet.symbol.CaffeOp 和 mxnet.symbol.CaffeLoss 来支持Caffe的神经网络操作符和损失函数。例如，下面的代码描述了一个 多层感知机 (MLP) 神经网络，它将对MNIST数据集进行分类 完整代码：

Python

data = mx.symbol.Variable('data')
fc1  = mx.symbol.CaffeOp(data_0=data, num_weight=2, name='fc1', prototxt="layer{type:\"InnerProduct\" inner_product_param{num_output: 128} }")
act1 = mx.symbol.CaffeOp(data_0=fc1, prototxt="layer{type:\"TanH\"}")
fc2  = mx.symbol.CaffeOp(data_0=act1, num_weight=2, name='fc2', prototxt="layer{type:\"InnerProduct\" inner_product_param{num_output: 64} }")
act2 = mx.symbol.CaffeOp(data_0=fc2, prototxt="layer{type:\"TanH\"}")
fc3 = mx.symbol.CaffeOp(data_0=act2, num_weight=2, name='fc3', prototxt="layer{type:\"InnerProduct\" inner_product_param{num_output: 10}}")
mlp = mx.symbol.SoftmaxOutput(data=fc3, name='softmax')

下面分析一下。首先 data = mx.symbol.Variable('data') 定义了一个符号变量，作为输入数据的占位符。然后，将它传递给Caffe操作符 fc1 = mx.symbol.CaffeOp(data_0=data, num_weight=2, name='fc1', prototxt="layer{type:\"InnerProduct\" inner_product_param{num_output: 128} }")。

Caffe操作符的输入的命名方式是 data_i for i=0...num_data-1。num_data 是输入的数目。如果 num_data 的值是1，那么你可以像上面例程一样忽略该参数。num_weight 是权重 blobs_ 的数目，它的默认值是0，因为很多操作符没有权重。prototxt 是配置字符串。

如果想使用Caffe中的损失函数，将上面代码中的最后一行替换成下面的代码：

label = mx.symbol.Variable('softmax_label')
mlp = mx.symbol.CaffeLoss(data=fc3, label=label, grad_scale=1, name='softmax', prototxt="layer{type:\"SoftmaxWithLoss\"}")